[论文解读] Imputing the mammalian virome with linear filtering and singular value decomposition

Timothée Poisot, Marie-Andrée Ouellet+7 more|arXiv (Cornell University)|May 31, 2021

Genomics and Phylogenetic Studies参考文献 1被引用 11

一句话总结

本研究提出一种结合线性滤波（LF）与奇异值分解（SVD）的新方法，用于填补哺乳动物病毒组中缺失的宿主-病毒互作关系，揭示了亚马孙雨林存在全球范围的未采样互作热点，并表明经填补的网络可提升基于病毒基因组特征预测人类病毒感染风险的能力。

ABSTRACT

At most 1-2% of the global virome has been sampled to date. Here, we develop a novel method that combines Linear Filtering (LF) and Singular Value Decomposition (SVD) to infer host-virus associations. Using this method, we recovered highly plausible undiscovered interactions with a strong signal of viral coevolutionary history, and revealed a global hotspot of unusually unique but unsampled (or unrealized) host-virus interactions in the Amazon rainforest. We finally show that graph embedding of the imputed network can be used to improve predictions of human infection from viral genome features, showing that the global structure of the mammal-virus network provides additional insights into human disease emergence.

研究动机与目标

• 为解决全球病毒组严重采样不足的问题，目前仅不到1-2%已被表征。
• 开发一种计算方法，在病毒组数据稀疏且不完整的情况下推断缺失的宿主-病毒互作关系。
• 揭示在当前采样中未被检测到的、具有生物学合理性的共进化关联病毒互作。
• 评估经填补的全球哺乳动物-病毒网络结构是否能提升对人畜共患疾病出现风险的预测能力。

提出的方法

• 应用线性滤波（LF）以去除噪声并稳定宿主-病毒共现矩阵，通过剔除低信号互作关系。
• 采用奇异值分解（SVD）将滤波后的矩阵分解为低秩分量，以捕捉宿主-病毒互作的潜在模式。
• 从最高奇异值与奇异向量重构填补矩阵，实现对缺失但具有生物学合理性的宿主-病毒对的推断。
• 对填补后的网络应用图嵌入技术，以编码全局网络结构，用于下游预测任务。
• 该方法利用已知互作关系中的进化信号，优先选择具有生物学合理性的填补结果。
• 通过评估其在提升基于病毒基因组特征预测人类感染能力方面的表现，对方法进行验证。

实验结果

研究问题

• RQ1 当前病毒组调查中可能缺失的宿主-病毒互作有哪些？其在地理上集中于何处？
• RQ2 通过LF-SVD推断出的已知宿主-病毒互作中的潜在模式，能否揭示具有生物学意义且此前未被采样的关联？
• RQ3 经填补的哺乳动物-病毒互作网络的全局结构是否能提升对人畜共患潜力的预测能力？
• RQ4 是否存在某些区域具有异常高水平的独特未采样宿主-病毒互作，提示隐藏的病毒多样性？

主要发现

• 该方法成功填补了大量高度合理的宿主-病毒互作关系，显示出强烈的协同进化历史信号。
• 在亚马孙雨林识别出一个全球范围的、独特的未采样宿主-病毒互作热点，表明该地区病毒多样性极高。
• 填补后的网络揭示了具有长期协同进化特征的宿主-病毒对显著富集。
• 对填补网络进行图嵌入后，显著提升了基于病毒基因组特征预测人类感染风险的能力，证明了全局网络结构在疾病出现建模中的实用性。